Развитие цифровых технологий привело к появлению огромных массивов данных и потребности в их безопасном хранении, передаче, обработке. Утечки больших данных (Big Data) могут нанести существенный ущерб бизнесу, что заставляет компании использовать специализированные платформы и средства защиты.
- 1. Введение
- 2. Специфика защиты больших данных: проблемы и угрозы
- 3. Что входит в рынок Big Data Security
- 4. Обзор отечественных средств защиты больших данных
- 5. Как выбрать средства для защиты больших данных
- 6. Выводы
Введение
Раньше инфраструктура для хранения и анализа больших данных (Big Data) была уделом лишь крупных игроков — государственных ведомств, банков и корпораций-гигантов. Но с каждым годом технологии становятся доступнее, и сегодня Big Data проникает в самые разные отрасли и проекты. Однако, как и любая быстрорастущая технология, большие данные не только открывают новые возможности, но и создают серьёзные вызовы.
Сейчас трудно представить крупную организацию, которая так или иначе не использует Big Data. Под этим термином обычно понимают постоянно растущие массивы информации, генерируемые из множества источников: данные клиентов, отзывы на сайтах, результаты опросов, транзакционные журналы и пр. Эти массивы накапливаются и требуют не только хранения, но и надёжной защиты, что само по себе становится отдельной сложной задачей.
Из этой статьи вы узнаете:
- Рынок Big Data Security ежегодно растёт примерно на 17–25 %.
- Среди мировых лидеров рынка — IBM, Microsoft и Oracle.
- Ключевые тренды: AI-аналитика угроз, переход к Zero Trust и датацентричной архитектуре.
- Главная проблема: отсутствие стандартов защиты Big Data и регулирования отрасли при активном росте объёмов данных.
По мере роста объёмов данных и усложнения инфраструктуры становится очевидно, что традиционные подходы к защите информации здесь уже не всегда работают эффективно. Большие данные требуют отдельного подхода к безопасности — с учётом их масштаба, скорости обработки и разнообразия источников.
Специфика защиты больших данных: проблемы и угрозы
Говоря о защите Big Data, стоит начать с расшифровки понятия больших данных и их отличия от обычных массивов информации. Чёткого общепринятого определения не существует, однако на практике к Big Data обычно относят данные, объём, скорость поступления или сложность обработки которых требуют применения специализированных технологий хранения и анализа. Формулировка про «более 150 ГБ в сутки» не считается общепринятым критерием и зависит от конкретной инфраструктуры и отрасли.
Основные признаки Big Data:
- Volume (объём). Под термином Big Data понимают массивы информации настолько большого размера, что их невозможно эффективно обработать вручную или в рамках одной вычислительной машины.
- Velocity (скорость). Отличительная черта больших данных — высокий темп поступления и обновления информации. Такие потоки нередко генерируются в реальном времени и требуют оперативного анализа без значительных задержек.
- Variety (разнообразие). Источники и форматы Big Data могут быть самыми разными: структурированные таблицы, текст, изображения, видео- и аудиоматериалы, показания датчиков и т. д.
- Veracity (достоверность). Исходные данные часто содержат погрешности, дубликаты или дефекты («грязные данные»), поэтому перед использованием их необходимо проверять и подготавливать.
- Variability (изменчивость). Интенсивность информационного потока зависит от множества факторов: скорости передачи, числа источников, действий пользователей, — что делает поступление данных нестабильным по времени.
- Value (ценность). Все собранные массивы информации должны в итоге приносить практическую пользу и помогать решать конкретные бизнес-задачи.
Рисунок 1. Шесть основных признаков больших данных
Чаще всего Big Data — это огромные объёмы информации, включая неструктурированные потоки данных (логи, видео, телеметрию IoT-устройств и пр.), для обработки которых применяются распределённые архитектуры — например, Hadoop или Apache Spark. Такие платформы позволяют анализировать данные на кластерах, состоящих из множества вычислительных узлов.
Архитектура защиты больших данных
Обычно под защитой Big Data понимают не один инструмент, а защиту на всех уровнях. Она не может быть закрыта одним решением, а требует использования нескольких продуктов. Данные в процессе жизненного цикла проходят несколько последовательных этапов: от загрузки до предоставления доступа конечным пользователям. На каждом из них возникают специфические риски и угрозы, поэтому эффективная защита должна выстраиваться как многослойная система, где каждый уровень имеет собственные механизмы безопасности, дополняющие друг друга.
Этапы обработки данных и риски, которые на них возникают:
Слой загрузки данных. На этом этапе данные поступают в систему из разнообразных источников: IoT-устройств, веб-форм, внешних баз данных, социальных сетей, логов приложений и т. д. Риски здесь могут создавать: внедрение вредоносных или некорректных данных, подмена источника данных или имитация легитимного источника, перехват и модификация данных в процессе передачи.
Слой хранения. Данные сохраняются в распределённых хранилищах: data lake, Hadoop HDFS, облачных хранилищах (AWS S3, Azure Data Lake), NoSQL-базах (Cassandra, MongoDB) и т. д. Огромные объёмы данных сложно контролировать, что создаёт риски несанкционированного доступа к данным и возможности утечки.
Слой обработки. Данные подвергаются анализу, машинному обучению, агрегации, трансформации и другим операциям в средах типа Spark, Hadoop MapReduce, Flink и т. д. Риски: доступ к «сырому» массиву данных во время обработки, что может привести к утечке; утечка информации через побочные каналы (например, через метаданные или ML-вычисления); внедрение вредоносного кода в пайплайн обработки.
Слой доступа. Пользователи, приложения и сервисы получают доступ к результатам анализа или к самим данным через API, дашборды, SQL-интерфейсы и т. д. Это ключевой слой с точки зрения информационной безопасности. Риски, возникающие на этом этапе: предоставление избыточных прав доступа, действия инсайдеров, компрометация учётных записей пользователей.
Слой мониторинга. Если не контролировать состояние системы хранения, утечка или несанкционированные действия остаются незамеченными, что приводит к масштабным последствиям. Непрерывное наблюдение за всеми компонентами Big Data-системы позволяет вовремя выявлять и реагировать на инциденты.
Защита Big Data — это не единичное решение, а целостная архитектура, охватывающая все этапы жизненного цикла данных: загрузку, хранение, обработку, доступ и мониторинг. Только комплексный подход, сочетающий технические средства (шифрование, аутентификация, аудит), организационные меры и процессы реагирования, способен обеспечить надёжную защиту больших данных от современных угроз.
Типовые угрозы для больших данных и методы защиты от них
Типовые угрозы для Big Data:
Утечки через Data Lake. Озёра данных подвержены несанкционированному доступу из-за слабой сегментации (хранения «сырых» данных без строгих схем) и ошибок конфигурации API или S3-бакетов.
Неправильные ACL. Списки контроля доступа (ACL) определяют, кто или что может получить доступ к ресурсам в системе. Неправильная настройка ACL может привести к массовым утечкам данных.
Insider threat (инсайдерские угрозы). Инсайдерские угрозы исходят от сотрудников, подрядчиков, деловых партнёров или завербованных лиц, имеющих доступ к конфиденциальной информации в силу своих должностных обязанностей.
Data Poisoning (отравление данных). Внедрение вредоносных данных в ML-модели для искажения аналитики. Осуществляя такую атаку, злоумышленник намеренно компрометирует обучающий набор данных, чтобы повлиять на работу модели или манипулировать ею.
Supply chain attacks (атаки на цепочку поставок). Во многих ИИ-моделях используются сторонние компоненты, поэтому компрометация поставщиков решений может привести к компрометации самой модели.
Для минимизации рисков стоит использовать комплексный подход, сочетая применение специализированных средств защиты, продвинутой аналитики, тщательной проверки поставщиков сторонних решений и обучения персонала. Регулярно проводите аудит прав доступа пользователей, выполняйте требования к журналированию передачи данных, используйте принцип минимальных привилегий и соблюдайте другие принципы Zero Trust.
Что входит в рынок Big Data Security
Сейчас рынок безопасности больших данных (Big Data Security) охватывает комплекс решений и практик, направленных на защиту информации на всех этапах её жизненного цикла в распределённых и высоконагруженных системах.
При этом не стоит отождествлять средства Big Data Security с такими классами решений, как:
- Системы управления базами данных (СУБД).
- Системы хранения данных (СХД).
- Системы защиты баз данных (Database Security).
Эти системы ориентированы прежде всего на работу со структурированной информацией (базами данных) и не могут считаться универсальными. Однако у решений, относящихся к перечисленным классам, есть встроенные средства защиты, а некоторые из них допускается использовать и при работе с большими массивами данных.
Для защиты больших объёмов данных можно использовать решения самых разных классов, например:
- SIEM (Security Information and Event Management).
- DLP (Data Loss Prevention).
- DCAP (Data-Centric Audit and Protection).
- Системы резервного копирования и восстановления.
- Средства шифрования при передаче данных (TLS/SSL) и пр.
Однако перечисленные инструменты нельзя назвать специализированными для больших данных, а реальные возможности стандартных средств защиты при работе с Big Data весьма ограничены. Так, SIEM-системы часто не справляются с масштабом потоков логов от Big Data-кластеров, DLP-системы ориентированы преимущественно на структурированные данные, DCAP-системы фокусируются на реляционных БД, а не на распределённых хранилищах.
В то же время средства шифрования при передаче защищают только данные «в движении», но не при хранении или обработке, а системы резервного копирования защищают от потери данных, но не от утечек или несанкционированного доступа.
Хотя общие инструменты (SIEM, DLP, DCAP и т. д.) играют важную роль в общей стратегии кибербезопасности, они не заменяют специализированные решения для Big Data.
Как же разобраться в этом «зоопарке» разрозненных решений и найти действенные инструменты для защиты больших данных? Специализированные средства должны учитывать специфику Big Data-экосистемы: обрабатывать петабайты данных без падения производительности, иметь распределённую архитектуру для защиты данных в кластерах с десятками узлов, поддерживать стек Big Data (интеграцию с Hadoop, Spark, Kafka, HBase, Hive, S3 и т. д.) и уметь работать с неструктурированными данными.
Рынок Big Data Security включает программное обеспечение (Software) и услуги (Services). В аналитическом отчёте Fortune Business Insights приводится такая классификация ПО для защиты больших данных:
- Data Discovery & Classification. Инструменты для поиска и классификации данных.
- Data Encryption, Tokenization & Masking. Решения для защиты данных путём их преобразования в нечитаемый формат или обезличивания.
- Data Backup & Recovery. Средства резервного копирования и восстановления данных.
- Data Authorization & Access. Решения для контроля доступа к данным, включающие аутентификацию (подтверждение личности) и авторизацию (определение прав доступа после успешной аутентификации).
- Data Governance & Compliance. Решения для управления данными и обеспечения комплаенса, включая контроль прав доступа, аудит и соблюдение регуляторных требований.
В отдельный класс решений также можно выделить Data Security Platform (DSP) — интегрированные платформы для централизованного управления безопасностью данных. Они объединяют несколько функций в едином интерфейсе, упрощая контроль над информационными активами.
При этом общепризнанного варианта сегментации рынка Big Data Security не существует, поэтому разные аналитические агентства предлагают разные варианты классификации.
Что происходит на мировом рынке Big Data Security
Объём мирового рынка защиты больших данных растёт с каждым годом. Аналитическое агентство Market.us прогнозирует, что при среднегодовом приросте 25,6 % объём рынка Big Data Security увеличится с 48,6 млрд долларов в 2026 году до 300,9 млрд долларов к 2034 году.
Рисунок 2. Прогноз увеличения рынка Big Data Security (источник: Market.us)
Примерно также оценивает объёмы Big Data Security аналитическое агентство The Business Research: согласно его отчёту, в 2026 году рынок достиг 45,06 млрд долларов, а к 2030 году он может превысить отметку 84,39 млрд долларов (при ежегодном приросте 17 %).
Рисунок 3. Прогноз увеличения рынка Big Data Security (источник: thebusinessresearchcompany.com)
Лидеры рынка Big Data Security: IBM, Microsoft, Oracle, Broadcom (Symantec), AWS.
Основным фактором, стимулирующим рост рынка безопасности больших данных, выступает всё более широкое внедрение облачных вычислений и Интернета вещей (IoT). Эти технологии произвели революцию в способах хранения и обработки данных, но одновременно привели к появлению новых уязвимостей. В результате растёт спрос на надёжные меры безопасности, способные защищать данные как в состоянии покоя, так и при передаче.
Драйвером роста рынка безопасности больших данных также является увеличение числа кибератак и ужесточение нормативных требований. Во многих странах внедряются строгие законы о защите данных. Яркий пример — Общий регламент по защите данных (GDPR) в Европе. Организации, не соблюдающие эти требования, могут столкнуться с крупными штрафами и репутационным ущербом. Поэтому компании инвестируют в передовые решения по безопасности, чтобы обеспечить соответствие законодательству и избежать правовых последствий.
Как развивается российский сегмент обеспечения безопасности больших данных
Российский сегмент обеспечения безопасности данных активно развивается под влиянием нескольких факторов: государственной поддержки, роста киберугроз, импортозамещения, ужесточения регуляторных требований и глобальной цифровизации. Эти тенденции формируют новые подходы к защите данных и стимулируют разработку отечественных решений.
Однако решений, адаптированных под работу с Big Data, на российском рынке пока немного. Многие вендоры сосредоточены на создании базовых инфраструктурных решений (резервное копирование, виртуализация и т. д.), а не специализированных продуктов для безопасности Big Data. Кроме того, развитие рынка замедляет нехватка специалистов, способных разрабатывать и внедрять комплексные решения для защиты больших данных.
В России существует Ассоциация больших данных (АБД), в состав которой входят ведущие игроки российского рынка: «Яндекс», VK, «Сбер», Газпромбанк, Т-Банк, Россельхозбанк, «Ростелеком», билайн, МТС, Банк ВТБ, «Авито», HeadHunter, Точка, а также Аналитический центр при Правительстве РФ и Центр стратегических разработок (ЦСР).
Основная цель АБД — формирование условий для развития технологий и продуктов в сфере больших данных на территории Российской Федерации. Организация разработала отраслевой стандарт защиты данных, однако этот документ не является обязательным к исполнению и регламентирует порядок оценки и критерии зрелости процессов защиты информации, выстроенных операторами персональных данных.
Что мы видим на рынке: проблемы и перспективы
В 2026 году рынок защиты Big Data продолжает эволюционировать под влиянием растущих объёмов данных, усложнения угроз и ужесточения регуляторных требований. Ключевые тенденции сосредоточены на повышении эффективности защиты, интеграции с новыми технологиями и адаптации к изменяющимся условиям обработки данных.
Data Fabric и Lakehouse — современные архитектуры для интеграции и обработки данных. Они требуют встроенных механизмов безопасности, таких как гранулярный контроль доступа, шифрование на уровне столбцов и аудит операций. Синтетические данные становятся всё более распространёнными как источник для обучения ИИ-моделей, в связи с чем возникает потребность в механизмах защиты таких данных от несанкционированного доступа или использования, а также в методах контроля их происхождения и целостности.
Ядро мирового рынка Big Data составляют Databricks, Snowflake, AWS Lake Formation и Google BigQuery, реализующие продвинутые функции для защиты больших данных (например, маскирование и обезличивание), с фокусом на управление, аудит и комплаенс.
Рисунок 4. Карта рынка Big Data Security
Проблемы защиты Big Data обусловлены спецификой отрасли:
Недостаток экспертизы. Технологии больших данных представляют собой принципиально иной подход к накоплению и анализу информации. Сотрудникам ИТ-подразделений зачастую не хватает навыков для эксплуатации и сопровождения таких решений, поскольку рынок труда не располагает достаточным резервом подготовленных кадров.
Отсутствие методологических основ защиты Big Data. Общепризнанной методологии, способной стать базой для проектирования и развёртывания полноценной системы управления защитой таких массивов и обеспечения безопасности больших данных, пока не существует. Также пока нет и стандартов, содержащих исчерпывающий набор требований и регламентов безопасности больших данных.
Масштабность и динамичность технологии. Экосистема Big Data развивается чрезвычайно бурно и наращивает объёмы стремительными темпами, что делает процесс её стандартизации крайне затруднительным.
Отсутствие нормативного регулирования. Законодательство охватывает защиту персональных данных, банковской, государственной и коммерческой тайны, однако специального государственного регулирования, направленного именно на защиту больших данных, до сих пор не существует.
На российском рынке представлены сотни продуктов для защиты информации, однако специализированных решений для защиты больших данных, обеспечивающих безопасность обработки потоков и хранения объёмов информации свыше 100–150 ГБ в сутки, практически нет.
Обзор отечественных средств защиты больших данных
Условно такие решения можно поделить на 3 категории — программно-аппаратные комплексы, экосистемы/платформы и комплексные сервисы/услуги.
Программно-аппаратные комплексы (ПАК)
Программно-аппаратные комплексы BigData созданы, в первую очередь, для хранения, обработки и аналитики больших данных, но их функции покрывают также и обеспечение безопасности.
Машина больших данных «Скала^р МБД.Х»
Программно-аппаратный комплекс «Скала^р МБД.Х» — отечественная платформа класса Data Lakehouse для хранения, обработки и анализа больших данных. Решение построено на базе Arenadata Hyperwave и предназначено для работы со структурированными, слабо структурированными и неструктурированными данными в едином контуре.
ПАК предназначен для построения корпоративных озёр данных, аналитических платформ и сред потоковой обработки информации. Архитектура решения построена на принципе разделения вычислительного слоя и слоя хранения, что обеспечивает независимое масштабирование вычислительных ресурсов и полезной ёмкости системы. В качестве распределённого хранилища используется Apache Ozone с поддержкой S3 API. Для обработки данных применяются Trino, Spark и Flink. Платформа поддерживает batch-обработку, интерактивные SQL-запросы и сценарии near real-time аналитики.
«Скала^р МБД.Х» поддерживает современные open table formats, включая Apache Iceberg, обеспечивающий ACID-операции, versioning, schema evolution и time travel для работы с большими массивами данных. ПАК может использоваться для построения корпоративных платформ данных, централизованного хранения телеметрии, аналитики, ML/AI-проектов, а также консолидации данных из различных информационных систем.
Рисунок 5. Общая архитектура «Скала^р МБД.Х»
Кому подходит: государственные ведомства, банковский сектор, ретейл, e-commerce, телеком.
Плюсы:
- Независимое масштабирование вычислений и хранения.
- Поддержка S3 API и open table formats.
- Возможность обработки больших объёмов данных в едином контуре.
- Поддержка batch- и near real-time-сценариев.
- Высокая отказоустойчивость распределённой архитектуры.
- Возможность интеграции с BI-, streaming- и ML-инструментами.
Минусы:
- Высокие требования к сетевой инфраструктуре.
- Более сложная эксплуатация по сравнению с классическими СУБД.
- Требуются компетенции в области distributed systems и Big Data.
Когда брать: если нужна альтернатива зарубежным платформам Cloudera Data Platform, Hortonworks Data Platform, Oracle Big Data Appliance и Amazon EMR.
Больше информации — на сайте вендора.
Платформы
Организации всё чаще стремятся отказаться от «зоопарка» разрозненных систем в пользу интегрированных решений — в частности, специализированных платформ или экосистем для обработки больших данных. Такой подход облегчает применение унифицированных политик безопасности и позволяет снижать операционные затраты.
PT Data Security
PT Data Security — это платформа для защиты данных, разработанная компанией Positive Technologies. Она стала одним из первых в России решений класса Data Security Platform (DSP). Продукт объединяет функции инвентаризации, автоматической классификации и непрерывного мониторинга работы с данными, обеспечивая полную видимость инфраструктуры их хранения и обработки вне зависимости от формата и места расположения.
Платформу можно использовать для защиты больших данных, так как она разработана с учётом требований современных ИТ-инфраструктур, включая работу с масштабными и разнородными массивами информации. PT Data Security способна автоматически сканировать файловые хранилища и адаптироваться под отраслевую специфику компании, закрывая тем самым потребность в комплексной защите данных, а не в наборе разрозненных инструментов. Платформа позволяет находить места хранения критичных для организации данных и контролировать к ним доступ.
Рисунок 6. Веб-интерфейс PT Data Security
Кому подходит: владельцам баз структурированных и неструктурированных данных.
Плюсы:
- Единое решение: в одном инструменте функции обнаружения, классификации, контроля и защиты данных.
- Автоматизированная классификация данных с использованием ИИ с адаптацией под бизнес-процессы организации.
- Работает с любым типом данных независимо от их формата и места хранения.
- Унифицированный подход к работе со структурированными, неструктурированными и полуструктурированными данными.
- Микросервисная архитектура, облегчающая обновление и масштабирование.
- Контроль прав доступа к данным с выявлением избыточных привилегий.
Минусы:
- Внедрение системы в существующую инфраструктуру может потребовать времени и ресурсов на настройку, особенно в крупных и сложных средах.
- Может потребоваться дообучение ML-моделей под конкретные бизнес-задачи или отраслевые особенности.
- Зависимость от качества данных.
Когда брать: если ваша цель — перейти от разрозненных инструментов к единой системе управления безопасностью данных, минимизировать риски утечек и получить полную видимость всей инфраструктуры хранения и обработки данных. Это помогает службе ИБ, DPO и ИТ быстрее выявлять серые зоны, сокращать объём ручного труда и получать доказуемую картину обработки данных для проверки или разбора инцидента.
На нашем сайте есть интервью с руководителем развития бизнеса по защите данных в компании Positive Technologies, посвящённое платформе PT Data Security . Больше информации — на сайте вендора.
Экосистема CedrusData
CedrusData — это российская распределённая платформа для работы с большими данными, разработанная компанией «Кверифай Лабс» (Санкт-Петербург) и приобретённая VK Tech. Решение создаёт единую точку доступа к разнородным источникам данных предприятия и поддерживает выполнение федеративных SQL-запросов. Платформа рассчитана на проекты объёмом от десятков терабайт до сотен петабайт и построена на базе open-source-компонентов Trino, Spark, Iceberg и Flink.
CedrusData представляет собой экосистему для работы с большими данными, позволяющую строить высокопроизводительные lakehouse-архитектуры и формировать единый, безопасный и управляемый data-ландшафт бизнеса. В экосистему входят 3 основных компонента:
- CedrusData Platform — высокопроизводительная платформа для анализа данных, предназначенная для построения современных lakehouse-решений.
- CedrusData Engine — массивно-параллельный движок для сквозного анализа корпоративных данных.
- CedrusData Catalog — технический каталог, поддерживающий работу с lakehouse и обеспечивающий оптимальное взаимодействие с Apache Iceberg.
Рисунок 7. Иностранные решения, которые можно заменить продуктами экосистемы
Кому подходит: крупные и средние компании финансового сектора, телекома, e-commerce, промышленности.
Плюсы:
- Высокая производительность за счёт оптимизации на уровне движка и коннекторов.
- Развёртывание в облаке или по модели on-premise.
- Независимое масштабирование вычислительных ресурсов (compute) и хранилища данных (storage).
- Архитектура Lakehouse практически не ограничивает объём хранилища данных.
Минусы:
- Зависимость от обновлений компонентов с открытым исходным кодом.
- Высокие требования к пропускной способности сети.
Когда брать: при работе с разнородными источниками данных, необходимости выстроить Lakehouse-архитектуру и желании получить высокопроизводительную аналитику больших данных.
Больше информации — на сайте вендора.
Комплексные сервисы/услуги
Одним из сдерживающих факторов развития сегмента Big Data Security остаётся нехватка квалифицированных специалистов в области защиты данных. Это вынуждает заказчиков обращаться к внешним сервисам, аутсорсингу и услугам интеграторов.
Защита систем хранения данных и дата-центров от Kaspersky
Компания «Лаборатория Касперского» предлагает комплекс услуг и сервисов для защиты больших данных и дата-центров. Они обеспечивают антивирусную защиту, отражение DDoS-атак, многоуровневую фильтрацию трафика, подходят для ресурсов с высоким трафиком и подключением по BGP (Border Gateway Protocol — протокол динамической маршрутизации).
У вендора есть система фильтрации собственной разработки — Kaspersky DDoS Protection. Она предназначена для очистки трафика и защиты от DDoS-атак. Облачная репутационная база Kaspersky Security Network (KSN) ускоряет обнаружение вредоносных программ. Решение также обеспечивает защиту систем хранения данных от угроз нулевого дня.
Кроме того, «Лаборатория Касперского» предлагает комплексную защиту корпоративных сетевых систем хранения (NAS, Network Attached Storage) и файловых серверов — решение Kaspersky Security для систем хранения данных. Оно ориентировано на защиту больших данных и обеспечивает безопасность в режиме реального времени с минимальным влиянием на производительность систем.
Рисунок 8. Схема работы Kaspersky Security для систем хранения данных
Кому подходит: предприятиям, работающим в регулируемых отраслях, компаниям, которым нужна масштабируемая и отказоустойчивая защита.
Плюсы:
- Управление через Kaspersky Security Center — единую консоль для удалённой установки, настройки, отправки уведомлений, установки обновлений и формирования отчётов.
- Защита от DDoS-атак на уровнях L3, L4 и L7.
- Продукты встраиваются в существующую сетевую инфраструктуру без перестройки архитектуры.
- Масштабируемость. Решения можно адаптировать под крупные инфраструктуры и интегрировать с различными системами хранения данных (EMC, NetApp, Dell, Hitachi, Oracle, IBM).
Минусы:
- Эффективность защиты во многом определяется качеством интеграции с конкретными системами хранения.
- Решение ориентировано именно на системы хранения данных и может не покрывать другие аспекты инфраструктуры.
Когда брать: при наличии систем хранения NAS, необходимости централизованного управления защитой данных и интеграции с существующей инфраструктурой.
Больше информации — на сайте вендора.
Комплекс решений для защиты данных от «Гарда»
Компания «Гарда» (входит в ИКС Холдинг) предлагает комплекс решений для защиты больших данных на разных этапах их жизненного цикла. Продукты подходят для различных сценариев использования — от контроля доступа к неструктурированным данным до предотвращения утечек и обезличивания информации.
Основные продукты для защиты данных: «Гарда DBF» (Database Firewall), «Гарда DLP» (Data Leak Prevention), «Гарда Data Masking» (маскирование данных) и «Гарда DCAP» (Data-Centric Audit and Protection). Для комплексной защиты данных часто применяют несколько продуктов одновременно. Например, «Гарда DBF» защищает базы данных от внешних атак и инсайдеров на уровне SQL-запросов и прав доступа, а «Гарда DLP» защищает каналы коммуникаций, по которым данные могут передаваться из инфраструктуры. Вместе они создают сквозную защиту — от хранения до передачи информации.
Традиционные средства контроля не всегда справляются с нагрузкой и спецификой распределённых систем, особенно специализированных платформ в сфере Big Data. «Гарда DBF» работает без снижения производительности, в том числе в кластерах Hadoop. Решение непрерывно отслеживает обращения и операции. Оно контролирует запросы к базам данных и содержимое ответов. Это помогает обнаруживать массовые выгрузки конфиденциальных данных. Благодаря агентской архитектуре и поддержке пассивного анализа трафика «Гарда DBF» выявляет аномальную активность: нетипичные запросы, время или место обращения. Подозрительные операции можно блокировать в режиме реального времени.
Рисунок 9. Продукты и технологии и «Гарда» для защиты больших данных
Кому подходит: от среднего бизнеса до крупных корпораций и территориально распределённых холдингов, работающих в различных отраслях, включая финансы, ретейл, государственный сектор, промышленность, нефтегазовую отрасль и другие.
Плюсы:
- Поддержка более 40 российских и зарубежных СУБД, включая системы на технологиях Big Data.
- Высокая производительность (обработка трафика 10 Гбит/с и выше), возможность кластеризации.
- Контроль доступа и разграничение прав пользователей.
- Обнаружение аномалий, поведенческий и ретроспективный анализ.
- Интеграция с SIEM-, SOAR-системами и дата-каталогами.
Минусы:
- Необходимость настройки под конкретные бизнес-процессы.
- При обработке очень больших массивов данных могут потребоваться балансировщики нагрузки.
Когда брать: если в сегменте Big Data содержатся конфиденциальные данные, в компании действуют требования к защите больших данных, а также необходимо соответствие требованиям регуляторов и отраслевым стандартам.
На нашем сайте есть обзор решения «Гарда DBF» версии 5.2 из перечисленной линейки. Больше информации — на сайте вендора.
Как выбрать средства для защиты больших данных
Пошаговый алгоритм выбора средств для защиты больших данных:
- Проведите инвентаризацию данных. Определите типы и объёмы обрабатываемых данных (структурированные, полуструктурированные, неструктурированные), классифицируйте их по уровню критичности и чувствительности (персональные данные, коммерческая тайна, общедоступная информация и т. д.), а также выявите места их хранения (базы данных, «озёра данных», облачные хранилища, файловые системы и т. п.).
- Определите регуляторные требования и стандарты. Изучите применимую нормативную базу (ФЗ-152 «О персональных данных», ФЗ-187 «О безопасности КИИ», требования ФСТЭК России, PCI DSS, GDPR и др.). Убедитесь, что планируемые решения соответствуют отраслевым стандартам безопасности, и проверьте, требуется ли сертификация средств защиты в вашем случае.
- Идентифицируйте основные угрозы и риски. Составьте перечень потенциальных угроз (утечки данных, несанкционированный доступ, DDoS-атаки, внутренние угрозы и т. д.). Оцените вероятность и потенциальный ущерб от каждой угрозы, а затем приоритизируйте риски по степени критичности для бизнеса.
- Сформулируйте требования к системе защиты. Включите в них обеспечение конфиденциальности (шифрование данных при хранении и передаче, контроль доступа), целостности (механизмы предотвращения несанкционированной модификации данных, журналирование изменений), доступности (отказоустойчивость, механизмы резервного копирования и восстановления), аудита и мониторинга (отслеживание действий пользователей, выявление аномалий), масштабируемости (способность системы адаптироваться к росту объёмов данных) и интеграции (совместимость с существующей инфраструктурой и инструментами обработки данных).
- Оцените техническую совместимость. Проверьте поддержку форматов данных и протоколов, используемых в вашей инфраструктуре, убедитесь в совместимости с платформами обработки данных (Hadoop, Spark, Kafka и т. д.). Оцените возможность интеграции с системами управления инцидентами (SIEM, SOAR), системами аутентификации (LDAP, Active Directory) и другими инструментами информационной безопасности.
- Проанализируйте производительность решений. Выясните, как внедрение средств защиты повлияет на скорость обработки данных, оцените требования к вычислительным ресурсам (CPU, память, хранилище). Уточните, поддерживает ли решение распределённую обработку и горизонтальное масштабирование.
- Изучите возможности управления и мониторинга. Убедитесь в наличии централизованной консоли управления, оцените возможности автоматизированного мониторинга и оповещения о событиях по безопасности. Проверьте инструменты отчётности и аудита на соответствие регуляторным требованиям, а также убедитесь в поддержке политик безопасности и возможности их централизованного применения.
- Оцените условия лицензирования и стоимость владения. Сравните модели лицензирования (по количеству узлов, объёму данных, числу пользователей и т. д.), учтите затраты на внедрение, обучение персонала, техническую поддержку и обновления, а затем рассчитайте совокупную стоимость владения (TCO) на 3–5 лет.
Для комплексной защиты больших данных целесообразно комбинировать несколько решений. Например, использовать PT Data Security для инвентаризации и классификации данных, а CedrusData — для аналитики с учётом требований безопасности. Если критичны отказоустойчивость и производительность обработки данных, «Машина Скала^р МБД.Х» может стать основой инфраструктуры, но потребует дополнительных мер защиты. Эту задачу можно решить при помощь сервисов «Лаборатории Касперского» или Гарды».
Выводы
Если подходить к защите больших данных как к доработке уже работающей системы и пытаться решать проблему при помощи накладных средств безопасности, это почти всегда оказывается сложно, дорого и рискованно. Защита Big Data подразумевает не только шифрование при хранении и передаче, но и внедрение защитных мер в архитектуру с самого первого дня.
Однако на практике вопросы безопасности часто откладывают «на потом», воспринимая их как помеху и тормоз для запуска новых процессов. Именно такой подход нередко приводит к серьёзным последствиям: утечки данных пользователей и компаний обходятся в миллионы рублей и наносят существенный репутационный ущерб.
Если же изначально заложить в проект многоуровневую систему шифрования и контроля больших массивов данных, можно не только минимизировать риски, но и снизить потенциальные финансовые потери в будущем. В России этот сегмент безопасности развивается в сторону комплексных платформенных решений с активным применением ИИ, что позволяет автоматизировать защиту на всех уровнях работы с данными.
